一种地黄的近红外在线质量检测方法技术

本发明专利技术公开了一种地黄的近红外在线质量检测方法，包括以下步骤：（1）样品制备：取不同产地、不同批次的地黄饮片样品；（2）同时采集并记录地黄样品的近红外光谱图和地黄打粉后的近红外光谱图；（3）对光谱数据进行预处理：分别采用原始光谱、一阶求导、二阶求导、多元散射校正、矢量归一化、卷积平滑滤波、多元散射校正+矢量归一化、卷积平滑滤波+多元散射校正、卷积平滑滤波+矢量归一化，对打粉前后的地黄样品的近红外光谱数据进行预处理；（4）采用卷积神经网络、PLSR和分段PLSR进行模型筛选，建立地黄定量校正模型。本发明专利技术所建立的模型准确可靠，操作快速、简单，可无损直接测定地黄饮片中梓醇和水分的含量。梓醇和水分的含量。梓醇和水分的含量。

【技术实现步骤摘要】
一种地黄的近红外在线质量检测方法
[0001]

[0002]本专利技术属于药材检测
；具体涉及一种基于偏最小二乘回归方法（PLSR）的地黄的近红外质量检测方法。

技术介绍

[0003]地黄为玄参科植物地黄Rehmannia glutinosa Libosch.的新鲜或干燥块根，为我国四大怀药之一。地黄在我国具有悠久的药用历史，始载于《神农本草经》，列为上品，具有清热养血、养阴生津等功效。地黄悠久的历史和显著的滋补作用使其历史沿革相当丰富，地黄在临床应用上分别出现了鲜地黄、生地黄、熟地黄、生地炭、熟地炭等炮制品，并且许多经方中都用到地黄。因此完善地黄的质量检测是当前的迫切问题。
[0004]目前，地黄的质量检测主要包括性状鉴别、显微鉴别、TLC定性研究、浸出物测定和基于HPLC的含量测定方法。TLC法是地黄进行定性鉴别的主要检测方法，采用甲醇、正丁醇等溶剂进行提取，选择三氯甲烷
‑
甲醇
‑
水或者乙酸乙酯
‑
甲醇
‑
甲酸为展开系统。采用HPLC法对地黄中的梓醇、毛蕊花糖苷进行含量测定。存在检测程序复杂、无法在总体上进行质量评价等缺点。
[0005]本专利技术采用基于偏最小二乘回归方法（PLSR）的近红外质量检测方法，通过原材料质量检测、提取过程检测等环节，建立提取物生产在线检测体系，可有效解决生产检测中存在的取样不便、效率低下、污染环境等诸多弊端，提高产品质量；同时为反应终止提供指导，减少能源消耗，实现提取物绿色生产。
专利
技术实现思路

[0006]为解决以上技术问题，本专利技术提供了一种基于偏最小二乘回归方法（PLSR）的地黄的近红外质量检测方法。该方法操作快速、简单，所建立的模型准确可靠，可用于地黄饮片中梓醇和水分含量的定量分析。
[0007]为实现以上目的，本专利技术提供的技术方案如下：一种地黄的近红外在线质量检测方法，包括以下步骤：（1）样品制备：取不同产地、不同批次的地黄饮片样品；（2）近红外光谱数据采集：同时采集并记录地黄样品的近红外光谱图和地黄打粉后的近红外光谱图；（3）对光谱数据进行预处理：分别采用原始光谱（Spectrum）、一阶求导(First derivative, 1stD)、二阶求导(Second derivative, 2stD)、多元散射校正(MSC)、矢量归一化（SNV）、卷积平滑滤波(Savitzky
‑
Golay filter, S
‑
G)、多元散射校正+矢量归一化、卷积平滑滤波+多元散射校正、卷积平滑滤波+矢量归一化，对打粉前后的地黄样品的近红外光谱数据进行预处理；
（4）采用卷积神经网络（CNN，模型面向全体光谱波段）、第二种为PLSR（模型面向全体光谱波段）和第三种为分段PLSR（模型可选择全体光谱波段的部分波段信息）进行模型筛选，建立地黄定量校正模型。
[0008]作为优选方案，以上所述的一种地黄的近红外在线质量检测方法，步骤（4）采用卷积神经网络建立地黄定量校正模型时，卷积神经网络模型包括一层一维卷积池化层、一层二维卷积池化层和一层全连接层；一维卷积池化层将输入的一维向量转化成二维矩阵；一维卷积池化层包括一维卷积操作、激活操作与池化操作，其中一维卷积操作卷积核的数目为32个，大小为10*1，卷积的步长为6，并由修正线性单元完成激活操作，使神经网络中的神经元具有稀疏激活性；池化操作使用平均池化模型，每次取10*1的池化窗口，步长设为2；之后，将经过一维卷积池化层得到的二维矩阵输入至二维卷积池化层，并经过二维卷积操作、激活操作与二维池化操作，将其转化成多个二维矩阵；二维卷积操作中卷积核数目为64个，大小为10*32；将二维卷积池化层得到的二维矩阵输入至全连接层，输出一维高阶向量；并采用学习率衰减机制，学习率初始值设为0.03，衰减指数为1/e，在网络训练的过程中随时间逐步衰减学习率进行动态调整，每层权重初始值服从标准差为0.1的零均值高斯分布。
[0009]作为优选方案，以上所述的地黄的近红外在线质量检测方法，步骤（2）中近红外光谱采集的方法为：打粉后的样品取约10 g加入石英样品管中，填实压平样品；未打粉的样品选取平整的样品，使之与近红外漫反射光纤探头能够充分接触。测试环境温度为25 ℃，相对湿度为45 %~60 %；以仪器内置背景为参比，扣除背景，采集方式为积分球漫反射，波数区间12000~4000 cm
‑1，分辨率为8 cm
‑1，扫描次数64次，每份样品扫描2次，取其平均光谱作为样品的近红外光谱。
[0010]作为优选方案，以上所述的地黄的近红外在线质量检测方法，步骤（4）中，采用偏最小二乘回归方法（PLSR）建立地黄定量校正模型。
[0011]PLSR模型建立本专利技术中近红外光谱的定量模型设计采用Python编程语言，集成开发环境为PyCharm Coummunity，操作系统为Windows 10。
[0012]在建立定量校正模型之前，对原始光谱进行预处理，从而避免在测定过程中存在高频噪音、散射光、杂散光、样品状态和仪器响应等诸多因素的影响。光谱的预处理可以去除不必要信息，提高模型的预测精度。本模型采用的光谱预处理方法包括：原始光谱（Spectrum）、一阶求导(First derivative, 1stD)、二阶求导(Second derivative, 2stD)、多元散射校正(MSC)、矢量归一化（SNV）、卷积平滑滤波(Savitzky
‑
Golay filter, S
‑
G)、多元散射校正+矢量归一化、卷积平滑滤波+多元散射校正、卷积平滑滤波+矢量归一化。
[0013]选择合适的光谱波段，可以减少光谱中多余的信息，提高模型的预测精度。同时，利用PLSR方法建模时，不同的主成分数会对模型预测结果产生较大的影响。若主成分数过高，会产生“过拟合”的现象，但若主成分数过少，则利用的光谱信息过少。以R值，均方根误差（RMSE）和校正均方差（RMSEC）为指标，粉末
‑
梓醇的最优预处理方法为卷积平滑滤波+多元散射校正，最佳光谱波段为4470.873～4281.855cm
‑
1 ，选择的主成分数为1；粉末
‑
水分的
最优预处理方法为卷积平滑滤波+矢量归一化，最佳光谱波段为4277.997～3996.398cm
‑
1 ，选择的主成分数为3；饮片
‑
梓醇的最优预处理方法为卷积平滑滤波，最佳光谱波段为5628.131～3996.398cm
‑
1 ，选择的主成分数为9；饮片
‑
水分的最优预处理方法为矢量归一化，最佳光谱波段为6206.760～4281.855cm
‑
1 ，选择的主成分数为1。校正模型及评价参数如表1所示。
[0014]表1 PLSR模型及评价参数
[0015]有益效果：本专利技术与现有技术相比，本发本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种地黄的近红外在线质量检测方法，其特征在于，包括以下步骤：(1)样品制备：取不同产地、不同批次的地黄饮片样品；(2)近红外光谱数据采集：同时采集并记录地黄样品的近红外光谱图和地黄打粉后的近红外光谱图；(3)对光谱数据进行预处理：分别采用原始光谱、一阶求导、二阶求导、多元散射校正、矢量归一化、卷积平滑滤波、多元散射校正+矢量归一化、卷积平滑滤波+多元散射校正、卷积平滑滤波+矢量归一化，对打粉前后的地黄样品的近红外光谱数据进行预处理；(4)采用卷积神经网络、偏最小二乘回归和分段PLSR进行模型筛选，建立地黄定量校正模型。2.根据权利要求1所述的一种地黄的近红外在线质量检测方法，其特征在于，步骤(4)采用卷积神经网络建立地黄定量校正模型时，卷积神经网络模型包括一层一维卷积池化层、一层二维卷积池化层和一层全连接层；一维卷积池化层将输入的一维向量转化成二维矩阵；一维卷积池化层包括一维卷积操作、激活操作与池化操作，其中一维卷积操作卷积核的数目为32个，大小为10*1，卷积的步长为6，并由修正线性单元完成激活操作，使神经网络中的神经元具有稀疏激活性；池化操作使用平均池化模型，每次取10*1的池化窗口，步长设为2；之后，将经过一维卷积池化层得到的二维矩阵输入至二维卷积池化层，并经过二维卷积操...

【专利技术属性】
技术研发人员：蔡宝昌，刘晓，王天舒，金俊杰，秦昆明，李伟东，杨超，
申请(专利权)人：南京海昌中药集团有限公司，
类型：发明
国别省市：